粒子群优化算法论

《粒子群优化算法论》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、粒子群优化算法摘要近年来，智能优化算法—粒子群算法（particleswarmoptimization，简称PSO）越来越受到学者的关注。粒子群算法是美国社会心理学家JamesKennedy和电气工程师RussellEberhart在1995年共同提出的，它是受到鸟群社会行为的启发并利用了生物学家FrankHeppner的生物群体模型而提出的。它用无质量无体积的粒子作为个体，并为每个粒子规定简单的社会行为规则，通过种群间个体协作来实现对问题最优解的搜索。由于算法收敛速度快，设置参数少，容易实现，能有效地

2、解决复杂优化问题，在函数优化、神经网络训练、图解处理、模式识别以及一些工程领域都得到了广泛的应用。PSO是首先由基于不受约束的最小化问题所提出的基于最优化技术。在一个PSO系统中，多元化解决方案共存且立即返回。每种方案被称作“微粒”，寻找空间的问题的微粒运动着寻找目标位置。一个微粒，在他寻找的时间里面，根据他自己的以及周围微粒的经验来调整他的位置。追踪记忆最佳位置，遇到构建微粒的经验。因为那个原因，PSO占有一个存储单元（例如，每个微粒记得在过去到达时的最佳位置）。PSO系统通过全局搜索方法（通过）搜索

3、局部搜索方法（经过自身的经验），试图平衡探索和开发。粒子群优化算法是一种基于群体的自适应搜索优化算法，存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点，为此提出了一种改进的粒子群优化算法，从初始解和搜索精度两个方面进行了改进，提高了算法的计算精度，改善了算法收敛性，很大程度上避免了算法陷入局部极小．对经典函数测试计算，验证了算法的有效性。关键词：粒子群优化算法；粒子群；优化技术；最佳位置；全局搜索;搜索精度Particleswarmoptimization(PSO)algorithmisanovele

4、volutionaryalgorithm.Itisakindofstochasticglobaloptimizationtechnique.PSOfindsoptimalregionsofcomplexsearchspacesthroughtheinteractionofindividualsinapopulationofparticles.TheadvantagesofPSOlieinsimpleandpowerfulfunction.Inthispaper,classicalparticleswar

5、moptimizationalgorithm,thepresentconditionandsomeapplicationsofthealgorithmsareintroduced,andthepossibleresearchcontentsinfuturearealsodiscussed.PSOisapopulation-basedoptimizationtechniqueproposedfirstlyfortheaboveunconstrainedminimizationproblem.InaPSOs

6、ystem,multiplecandidatesolutionscoexistandcollaboratesimultaneously.Eachsolutioncalleda‘‘particle’’,fliesintheproblemsearchspacelookingfortheoptimalpositiontoland.Aparticle,astimepassesthroughitsquest,adjustsitspositionaccordingtoitsown‘‘experience’’aswe

7、llastheexperienceofneighboringparticles.Trackingandmemorizingthebestpositionencounteredbuildparticle_sexperience.Forthatreason,PSOpossessesamemory(i.e.everyparticleremembersthebestpositionitreachedduringthepast).PSOsystemcombineslocalsearchmethod(through

8、selfexperience)withglobalsearchmethods(throughneighboringexperience),attemptingtobalanceexplorationandexploitation.AbstractParticleSwarmOptimizationAlgorithmisakindofauto-adaptedsearchoptimizationbasedoncommunity.Butthesta